Convergence Science-IA : Le codage par blocs pour l'éducation à la physique

L'intégration de l'intelligence artificielle (IA) dans l'éducation augmente rapidement, motivée par le besoin d'équiper les étudiants avec les compétences nécessaires pour résoudre des problèmes du monde réel en utilisant des approches interdisciplinaires. Cet article explore le développement et l'application d'un cours de convergence Science-IA qui utilise le codage par blocs pour améliorer la compréhension des concepts de physique par les étudiants, en particulier le mouvement d'un pendule amorti. En utilisant la plateforme KNIME, les étudiants peuvent construire des modèles d'IA pour prédire la position du pendule, favorisant ainsi une compréhension plus approfondie des principes de la physique et de l'IA. Cette approche vise à rendre l'IA plus accessible aux lycéens, leur permettant de s'engager avec des concepts scientifiques complexes de manière innovante et attrayante.

Le programme scientifique révisé de 2022 souligne l'importance des activités d'enquête intégrant l'IA pour cultiver la capacité des étudiants à résoudre des problèmes scientifiques dans la vie quotidienne et la société, en se basant sur une pensée convergente. L'intégration de l'IA dans l'éducation scientifique permet l'application de pratiques scientifiques modernes dans le programme. Des recherches antérieures ont exploré des cours de convergence axés sur les données utilisant des langages de programmation comme Python pour créer des modèles de réseaux neuronaux. Cependant, ces approches nécessitent souvent une compréhension approfondie du codage, ce qui peut constituer un obstacle pour de nombreux étudiants. Cet article aborde ce défi en utilisant KNIME, une plateforme de codage par blocs qui simplifie le processus de construction et d'analyse de modèles d'IA, la rendant plus accessible aux étudiants ayant une expérience limitée en codage.

Le programme de convergence Science-IA a été développé autour du concept d'un pendule amorti, un sujet fondamental en physique. Le programme comprend plusieurs étapes clés : (1) Sélectionner le pendule amorti comme sujet d'enquête ; (2) Analyser les activités d'exploration du mouvement du pendule dans les manuels ; (3) Construire un ensemble de données en collectant des données de position et de vitesse du pendule à l'aide du logiciel Tracker ; (4) Construire un modèle d'IA à l'aide de KNIME pour prédire la position du pendule ; (5) Évaluer les résultats de prédiction du modèle. Cette approche structurée permet aux étudiants de comprendre les principes physiques sous-jacents tout en s'engageant avec la technologie de l'IA.

Le cours de convergence Science-IA a été dispensé à des lycéens, et leurs expériences ont été analysées par le biais d'entretiens approfondis. Les résultats ont mis en évidence plusieurs thèmes clés, notamment la motivation des étudiants à participer, leurs expériences et les changements dans leur compréhension, ainsi que les défis et les limites auxquels ils ont été confrontés. Les étudiants ont signalé un engagement accru et une compréhension plus approfondie des concepts de physique et d'IA. Cependant, certains étudiants ont trouvé la courbe d'apprentissage initiale de KNIME difficile, nécessitant un soutien et des conseils supplémentaires. Dans l'ensemble, le programme a réussi à favoriser une expérience d'apprentissage positive et à promouvoir la pensée interdisciplinaire.

Les conclusions de cette étude ont des implications significatives pour le développement et la mise en œuvre de programmes de convergence Science-IA. L'utilisation de plateformes de codage par blocs comme KNIME peut abaisser la barrière à l'entrée pour les étudiants ayant une expérience limitée en codage, rendant l'IA plus accessible et attrayante. L'approche structurée de la collecte de données, de la construction de modèles et de l'évaluation fournit un cadre clair que les étudiants peuvent suivre. De plus, l'intégration de données du monde réel et d'activités pratiques améliore la compréhension des principes de la physique et de l'IA par les étudiants. L'étude souligne également l'importance de fournir un soutien et des conseils adéquats aux étudiants lorsqu'ils naviguent dans les défis de l'apprentissage de nouvelles technologies.

Cette recherche démontre le potentiel des programmes de convergence Science-IA pour améliorer la compréhension des concepts de physique par les étudiants et promouvoir la pensée interdisciplinaire. En utilisant des plateformes de codage par blocs comme KNIME, les étudiants peuvent construire des modèles d'IA pour prédire le mouvement d'un pendule amorti, favorisant ainsi une compréhension plus approfondie des principes de la physique et de l'IA. Sur la base des conclusions de cette étude, plusieurs recommandations peuvent être faites pour la recherche et la pratique futures : (1) Continuer à développer et à affiner les programmes de convergence Science-IA qui intègrent des données du monde réel et des activités pratiques ; (2) Fournir un soutien et des conseils adéquats aux étudiants lorsqu'ils naviguent dans les défis de l'apprentissage de nouvelles technologies ; (3) Explorer l'utilisation d'autres plateformes de codage par blocs et d'outils d'IA pour améliorer l'expérience d'apprentissage ; (4) Mener des recherches supplémentaires pour évaluer l'impact à long terme des programmes de convergence Science-IA sur la réussite scolaire et les aspirations professionnelles des étudiants.

KNIME (Konstanz Information Miner) est un logiciel open-source largement utilisé pour l'intégration, le traitement et l'analyse de données, permettant l'apprentissage automatique sans connaissances approfondies en codage. Son interface graphique (GUI) permet aux utilisateurs de connecter divers nœuds pour construire des modèles d'analyse de données et d'IA. KNIME offre des milliers de nœuds et de flux de travail partagés, facilitant la collaboration et la comparaison des modèles. Sa capacité hors ligne et sa compatibilité avec des langages comme Python et R offrent flexibilité et autonomie dans l'apprentissage. Le flux de travail visuel de KNIME simplifie le processus de codage, rendant plus facile l'approche des concepts d'apprentissage automatique.

Le Perceptron Multi-Couches (MLP) est un type de réseau neuronal artificiel utilisé dans cette étude. Il se compose d'une couche d'entrée, d'une couche de sortie et de plusieurs couches cachées. Le modèle MLP apprend en ajustant les poids et les biais par un processus appelé rétropropagation, minimisant l'erreur entre les valeurs prédites et réelles. Le nombre de neurones dans les couches cachées est généralement déterminé à l'aide d'une formule spécifique pour éviter le surajustement. La performance du modèle est évaluée à l'aide de métriques telles que l'Erreur Quadratique Moyenne (RMSE). Les modèles MLP peuvent être utilisés pour diverses tâches, y compris la prédiction du mouvement d'objets et le développement de modèles prédictifs en médecine clinique.

Pour collecter des données sur le pendule amorti, un pendule à ressort a été construit, et sa trajectoire a été quantifiée à l'aide du logiciel Tracker. Le pendule a été immergé dans un cylindre gradué rempli d'eau pour induire l'amortissement. Les données de position et de vitesse ont été collectées au fil du temps, résultant en un ensemble de données de 581 points. Ces données ont ensuite été utilisées pour entraîner et tester le modèle d'IA. Le processus de collecte et d'analyse des données aide les étudiants à comprendre la relation entre le temps, la position et la vitesse dans le mouvement harmonique amorti.

Le modèle MLP a été construit à l'aide du flux de travail de KNIME, avec des nœuds représentant la couche d'entrée, les couches cachées et la couche de sortie. Les données ont été prétraitées à l'aide de la normalisation pour s'assurer que les valeurs de position et de vitesse étaient à la même échelle. L'ensemble de données a été divisé en ensembles d'entraînement et de test. Le nœud RProp MLP Learner a été utilisé pour entraîner le modèle, et le nœud MultiLayer Perceptron Predictor a été utilisé pour générer des prédictions. La performance du modèle a été évaluée à l'aide de R-carré et de RMSE. Les résultats ont montré que le modèle MLP était capable de prédire avec précision la position du pendule amorti, avec une valeur de R-carré de 0,992 et un RMSE de 0,01.